TensorFlow教程地址：https://www.tensorflow.org/tutorials/mnist/pros/
講的是經典的機器學習問題MNIST。
使用卷積神經網絡進行訓練。
載入MNIST數據
MNIST數據可以從這裏下載
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)創建多層卷積網絡
權重初始化
這裏定義兩個方法：
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)tf.truncated_normal根據截斷正態分佈產生隨機數
tf.constant產生常數
卷積(Convolution)和池化(Pooling)
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')先說tf.nn.conv2d，它的參數strides代表切邊移動的步長，4個方向，而padding是切片上是否可以越過邊緣，有兩種方式：”SAME”和”VALID”，”SAME”爲越過，“VALID”爲不越過，它的意義是決定切片中心是否經過圖的邊緣。
卷積過程例子如下：
再說tf.nn.max_pool，它是最大化池策略。
參數ksize是要執行取最值的切片在各個維度上的尺寸，四維數組意義爲[batch, height, width, channels]。
參數strides是取切片的步長，四維數組意義爲四個方向的步長，這裏height和width方向都爲2，例如原本8x8的矩陣，用2x2切片去pool，會獲得5x5的矩陣輸出（SAME模式），有效的減少特徵維度。
參數Padding同conv2d。
第一個卷積層
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])第一層將以大小爲5x5的切片來生成32個特徵，
x_image = tf.reshape(x, [-1,28,28,1])-1代表任何維度，這裏是樣本數量，MNIST的圖像大小爲28*28，由於是黑白的，只有一個in_channel。
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)這裏使用relu爲激活函數，conv2d過程如動圖所示，生成32個output volumn，每個大小爲28x28，因爲
max_pool後生成32個大小爲14x14的矩陣，因爲
第二個卷積層
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)過程邏輯同第一層，這裏只說明輸入輸出的形式。
輸入的是32個14x14的矩陣，權重體現了這層要輸出的矩陣個數爲64。
卷積輸出64個14x14的矩陣，因爲
池化輸出64個7x7的矩陣，因爲
全連接層
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)全連接層就是普通的神經網絡，輸入參數維度爲7x7x64，第一個隱層神經元數爲1024。
Dropout
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)爲了減少過擬合，使用dropout策略來訓練，
輸出層
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2使用softmax作爲輸出層。這裏暫時還沒使用softmax函數，因爲下面要使用tf.nn.softmax_cross_entropy_with_logits函數進行最後的計算，它在數值計算上比tf.nn.softmax穩定。
訓練與評估
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y_conv, y_))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess.run(tf.global_variables_initializer())
for i in range(20000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x:batch[0], y_: batch[1], keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
print("test accuracy %g"%accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))這裏有三個不同之處：
1. 使用ADAM框架來替代steepest隨機梯度下降框架。
2. 增加每次batch使用dropout的概率
3. 每100次迭代都進行記錄。
Reference
https://www.tensorflow.org/tutorials/mnist/pros/#train_and_evaluate_the_model
http://www.cnblogs.com/hellocwh/p/5564568.html
http://blog.csdn.net/han_xiaoyang/article/details/50542880